Road Network Guided Fine-Grained Urban Traffic Flow Inference
Sun Yat-Sen University（中山大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出道路感知交通流放大模型RATFM，利用路网先验知识结合多方向一维卷积与Transformer，从粗粒度交通流推断高质量细粒度交通流图，并在三个真实数据集上验证其优于现有方法。
2023-10-26 cs.AI cs.CV cs.LG
Network-Wide Traffic Volume Estimation from Speed Profiles using a Spatio-Temporal Graph Neural Network with Directed Spatial Attention
IFP Energies nouvelles（法国石油与新能源研究院）；Univ Gustave Eiffel（古斯塔夫·埃菲尔大学）；CNRS（法国国家科学研究中心）
本文提出HDA-STGNN模型，利用速度资料、静态道路属性和拓扑信息，无需依赖流量数据即可实现网络级交通流量估计。
2025-12-15 cs.AI cs.LG
Know Unreported Roadway Incidents in Real-time: Early Traffic Anomaly Detection
Department of Civil and Environmental Engineering, Carnegie Mellon University（土木与环境工程系，卡内基梅隆大学）；Heinz College, Carnegie Mellon University（海因兹学院，卡内基梅隆大学）
本研究提出一种利用先验领域知识和模型设计策略的深度学习框架，用于实时、尽早检测或预测未报告的交通异常，实验证明其在不同地图的多个路段上更有效且更早。\n
2025-04-23 cs.AI cs.LG
Clustering of Urban Traffic Patterns by K-Means and Dynamic Time Warping: Case Study
Snapp Company（Snapp公司）
本文提出基于K-Means与动态时间规整的时间序列聚类算法，并利用Snapp应用驾驶员速度数据验证其在缺失速度估计和重要路段识别中的有效性。
2023-09-18 cs.AI cs.LG
Leveraging Neo4j and deep learning for traffic congestion simulation & optimization
本文针对传统交通仿真软件洞察有限的问题，将交通拥堵建模到 Neo4j 知识图谱中，结合负载均衡优化算法与 RNN-LSTM 实时预测，实现拥堵传播分析和更准确的路网拥堵估计。
2023-12-09 cs.AI cs.LG
Metropolis-Scale Road Network Datasets for Fine-Grained Urban Traffic Modeling
HSE University（俄罗斯高等经济大学）；Yandex Research（Yandex研究院）；BRAIn Lab（BRAIn实验室）
本文提出两个主要城市精细化道路网络数据集，用于解决大规模交通预测中的挑战，提供高分辨率的时间序列数据和丰富的静态道路属性。
2026-05-15 cs.LG
IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model
Istanbul Technical University（伊斯坦布尔技术大学）；ITU AI Research and Application Center（ITU人工智能研究与应用中心）；BTS Group（BTS集团）；Gazi University（加齐大学）
本文提出IBB Traffic图数据集以弥补现有交通数据集在地理特征和规模上的不足，并设计结合特征工程、GLEE节点嵌入和ExtraTrees的道路交通预测模型，平均准确率较基线提升4%。
2024-08-02 cs.AI cs.IT cs.LG
Quantification of Actual Road User Behavior on the Basis of Given Traffic Rules
FZI Research Center for Information Technology（FZI信息技术研究中心）
道路上的驾驶受到各种交通规则的限制，旨在确保所有交通参与者的安全。然而，人类道路使用者通常不严格遵守这些规则，导致不同程度的规则符合性。这种对既定规则的偏离是当今道路交通的关键组成部分。在自动驾驶中，当不考虑规则偏差时，机器人代理可能会扰乱交通流量。在本文中，我们提出了一种方法来获得的规则符合度的分布，从人类驾驶数据。我们使用Waymo Open Motion数据集和安全距离和速度限制规则来演示我们的方法。
2022-05-11 cs.LG cs.RO
Self-Regulating Cars: Automating Traffic Control in Free Flow Road Networks
Department of Computer Science（计算机科学系）；New York University（纽约大学）；Indian Institute of Technology Delhi（德里印度理工学院）
本文提出了一种基于强化学习的自调节汽车方法，通过动态调节车辆速度来优化通行能力和防止拥堵，无需新基础设施，结合经典交通流理论和微观模拟，在高保真度的PTV Vissim模拟器上实现了提高通行能力、减少延误和停车次数的改进。
2025-06-13 cs.LG
Towards Traffic Scene Description: The Semantic Scene Graph
FZI Research Center for Information Technology（FZI信息技术研究中心）
对于交通场景的分类，需要一个描述模型，该模型能够以统一的方式描述场景，与其领域无关。提出了一种基于语义的交通场景描述模型。描述模型允许独立于道路几何形状和道路拓扑结构来描述交通场景。在这里，交通参与者被投影到道路网络上，并表示为图中的节点。根据两个交通参与者相对于道路拓扑的相对位置，在相应的节点之间创建语义分类的边。对于具体化，边缘属性被扩展为两个交通参与者之间的相对距离和速度关于车道的路线。描述的一个重要方面是它可以很容易地转换成机器可读的格式。当前描述集中于交通场景的动态对象，并且考虑交通参与者，诸如行人或车辆。
2022-06-29 cs.LG
Analyzing Effects of The COVID-19 Pandemic on Road Traffic Safety: The Cases of New York City, Los Angeles, and Boston
University of Memphis（孟菲斯大学）
COVID-19疫情对全球社会及经济造成重大影响。除了健康后果外，对交通行为的影响也是突然和戏剧性的。我们分析了美国纽约市、洛杉矶和波士顿的道路交通安全如何受到疫情和当地政府相应命令和限制的影响。具体而言，我们研究了疫情爆发前后事故热点的分布，发现交通事故在地点和时间上均较往年有所转移。此外，我们还研究了这些热点地区的道路网络特征，希望了解热点转移的根本原因。
2021-08-10 cs.CY cs.LG
Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction
University College London (UCL)（伦敦大学学院）；Peking University (PKU)（北京大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院）；University of Florida（佛罗里达大学）
本文提出首个道路级交通事故预测的不确定性感知概率图神经网络STZITDGNN，融合Tweedie统计模型与图神经网络，在伦敦真实数据上超越多个基线，提升事故风险预测与道路安全策略支持。
2024-07-27 cs.AI cs.CY cs.LG
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting
Tsinghua University（清华大学）；DiDi AI Labs（滴滴AI实验室）
交通预测影响着智能交通系统（ITS）的各项服务，对用户体验和城市交通控制具有重要意义。由于道路网络包含复杂且随时间变化的时空依赖性，因此具有挑战性。最近，基于深度学习的方法通过采用图卷积网络（GCN）来提取空间相关性和递归神经网络（RNN）来捕获时间依赖性，取得了有希望的结果。然而，现有的方法往往只建立在道路网络连通性的基础上，这限制了道路之间的相互作用。在这项工作中，我们提出了地理和长期时间图卷积递归神经网络（GLT-GCRNN），这是一种新的交通预测框架，可以学习共享相似地理或长期时间模式的道路之间的丰富交互。在真实世界的交通状态数据集上进行的大量实验表明，GLT-GCRNN在不同指标方面优于最先进的方法，从而验证了我们方法的有效性。
2020-04-23 cs.AI cs.LG eess.SP
Road traffic reservoir computing
Faculty of Engineering（工学院）；University of Tsukuba（筑波大学）；Toyota Motor Corporation（丰田汽车公司）
源自递归神经网络的储备池计算比深度学习更适用于现实世界的系统，因为它的计算成本低，并且具有物理实现的潜力。具体地说，物理储备池计算，它取代了与物理现象的储层单元的动态，最近受到了相当大的关注。在这项研究中，我们提出了一种方法，利用道路交通的动态作为一个水库，并通过应用几个预测任务的基础上，一个简单的数学模型的交通流数值确认其可行性。
2019-12-02 cs.ET cs.LG cs.NE
Enhancing Prediction and Analysis of UK Road Traffic Accident Severity Using AI: Integration of Machine Learning, Econometric Techniques, and Time Series Forecasting in Public Health Research
University of Leicester（莱斯特大学）
本研究整合机器学习、计量经济学与时间序列方法预测英国交通事故严重程度，并通过SHAP可解释分析识别关键因素，为道路安全政策提供证据支持。
2023-09-23 cs.AI cs.LG stat.ML
Clustering Algorithms to Analyze the Road Traffic Crashes
University of Asia Pacific（亚太大学）；West Chester University（西切斯特大学）；King Saud University（沙特国王大学）
选择一个合适的聚类方法，以及在道路事故数据的最佳数量的集群有时是混乱和困难的。本文分析了不同的现有技术适用于集群事故易发区的缺点，并建议使用基于密度的空间聚类的应用程序与噪声（DBSCAN）和排序点，以确定聚类结构（OPTICS），以克服它们。比较性能分析的基础上记录的情况下，在北卡罗来纳州的道路交通事故的真实数据，也表明这些算法实现了更有效性和效率。
2021-08-07 cs.LG
AVARS -- Alleviating Unexpected Urban Road Traffic Congestion using UAVs
University College Dublin（都柏林大学）；Manchester Metropolitan University（曼彻斯特城市大学）；University of Huddersfield（哈德斯菲尔德大学）
本文提出AVARS系统，利用配备摄像头的无人机结合深度强化学习进行交通灯信号控制，以低成本部署方式有效缓解突发城市道路交通拥堵。
2023-09-10 cs.AI cs.LG cs.SY
Structural Recurrent Neural Network for Traffic Speed Prediction
The University of Sheffield（谢菲尔德大学）
深度神经网络最近已经证明了利用安装在路段上的传感器获得的时间序列数据进行交通预测的能力。然而，捕获交通数据的时空特征通常需要大量参数来进行训练，从而增加了计算负担。在这项工作中，我们证明了嵌入的道路网络的拓扑信息，提高了学习交通特征的过程。我们使用一个图形的车辆道路网络与循环神经网络（RNNs）来推断相邻路段之间的相互作用，以及时间动态。将道路网络的拓扑结构转换为时空图，形成结构化RNN（SRNN）。所提出的方法是验证交通速度数据从城市桑坦德在西班牙的道路网络。实验表明，基于图的方法优于基于时空图像的最新方法，需要更少的参数进行训练。
2019-02-18 cs.CV cs.LG
RadNet: Incident Prediction in Spatio-Temporal Road Graph Networks Using Traffic Forecasting
Imperial College London（帝国理工学院）；TRL Software Limited（TRL软件有限公司）；University of Bath（巴斯大学）
在时空系统中，有效和准确的事件预测对于最小化服务停机时间和优化性能至关重要。这项工作的目的是利用历史数据来预测和诊断事件使用时空预测。我们考虑道路交通系统的特定用例，其中事件以异常事件的形式出现，例如事故或故障车辆。为了解决这个问题，我们开发了一个名为RadNet的神经模型，它可以预测系统参数，例如未来时间步长的平均车速。由于这些系统基本上遵循每日或每周的周期性，我们将RadNet的预测与历史平均值进行比较，以标记事件。与以前的工作不同，RadNet在两种排列中推断空间和时间趋势，最后在预测之前结合密集表示。这有助于明智的推断和更准确的事件检测。两个公开的和一个新的道路交通数据集的实验表明，该模型给出了高达8%的预测F1分数相比，国家的最先进的方法。
2022-06-11 cs.LG
TAP: A Comprehensive Data Repository for Traffic Accident Prediction in Road Networks
Illinois Institute of Technology（伊利诺伊理工学院）；National University of Singapore（新加坡国立大学）
本文构建了覆盖全国的图结构交通事故预测数据仓库TAP，并提出TRAVEL模型捕获路网角度与方向信息，在事故发生率与严重程度预测上优于多种GNN基线。
2023-04-17 cs.LG cs.SI
Intelligent Transportation Systems to Mitigate Road Traffic Congestion
Lebanese University（黎巴嫩大学）
智能交通系统在解决世界各地的交通拥堵问题方面已经证明了自己的效率和有效性。基于多智能体的交通系统是智能交通系统的重要组成部分，它是相邻车辆、驾驶员、道路、基础设施和车辆之间的交互。在本文中，已经创建了两个交通管理模型，以减轻拥堵，并确保紧急车辆尽快到达。使用SUMO-JADE工具链创建了一个象征交通相互作用的微观模拟。模拟模型显示，平均时间延迟至少减少了50%，因此整个行程时间得到了真正的改善。
2021-06-04 cs.LG cs.SY eess.SY
AI on the Road: A Comprehensive Analysis of Traffic Accidents and Accident Detection System in Smart Cities
University of Cincinnati（辛辛那提大学）；Central Michigan University（中央密歇根大学）
该研究基于美国NHTSA的CRSS数据对各地交通事故做综合分析，提出结合交通监控摄像头与动作识别系统的事故检测框架，可联动应急服务提升响应效率，为智慧城市交通管理和交通安全改善提供实用方案。
2023-07-22 cs.AI cs.CV cs.CY
Traffic Queue Length and Pressure Estimation for Road Networks with Geometric Deep Learning Algorithms
由于城市化和个人流动性的增加，世界上大多数大都市地区都出现了拥堵和交通管理效率低下的情况。智能交通控制系统是减少城市交通拥堵的重要手段，它依赖于对城市道路网和高速公路交通状况的测量。不幸的是，用于精确流量测量的仪器是昂贵的，并且没有被广泛实施。本文针对这一问题，使用相对便宜且易于安装的环路检测器，通过几何深度学习算法，该算法在道路网络的空间背景下使用环路检测器数据，来估计信号交叉口前的队列长度，然后可以用于后续的交通控制任务。因此，在本工作的第一部分中，实现了基于逐秒循环检测器数据的用于队列长度的常规估计方法（其不使用机器学习技术），其使用队列中检测到的冲击波来估计最大队列的长度和时间点。该方法稍后用作参考，但也用作几何深度学习方法的附加输入信息。在第二部分中，开发了几何深度学习算法，该算法通过新的注意力机制利用道路网络中的空间相关性以及检测器数据时间序列中的时间相关性，以克服传统方法的局限性，如过度交通需求，车道变换和走走停停的交通。因此，有必要将道路网络的拓扑结构抽象为一个图。这两种方法进行了比较，就其性能，可靠性以及限制和验证使用的交通仿真软件SUMO（模拟城市移动性）。最后，在结论中对结果进行了讨论，并提出了进一步研究的建议。
2019-05-09 cs.LG eess.SP
Finding Appropriate Traffic Regulations via Graph Convolutional Networks
NTT Communication Science Laboratories（NTT通信科学实验室）
适当的交通规则，例如有计划的道路封闭，在拥堵事件中很重要。人群模拟器已被用于通过模拟具有不同法规的多个场景来找到适当的法规。然而，这种方法需要多次模拟运行，这是耗时的。在本文中，我们提出了一种方法来学习一个函数，输出调节效果给定当前的交通状况作为输入。如果预先使用许多模拟运行的训练数据来学习函数，则可以通过绕过当前情况的模拟来有效地获得适当的调节。我们使用图卷积网络对函数进行建模，这使我们能够找到规则，即使是看不见的区域。使用所提出的方法，我们为每个区域构造一个图，其中节点表示道路，边表示道路连接。通过在不同区域运行具有不同法规的人群模拟，我们生成交通状况和法规效果。图卷积网络被训练以输出给定图的调节效果，其中交通状况信息作为输入。通过使用真实世界的道路网络和人群模拟器的实验，我们证明了所提出的方法可以找到一条关闭的道路，从而减少到达目的地所需的平均时间。
2018-10-23 cs.AI cs.LG physics.soc-ph
NEXICA: Discovering Road Traffic Causality (Extended arXiv Version)
University of Southern California（南加州大学）
针对道路交通拥堵问题，提出NEXICA算法，通过关注时间序列中的减速事件、利用最大似然估计计算减速概率，并训练二元分类器识别因果位置对，在洛杉矶195个传感器的六个月数据上验证了其在准确性和计算速度上优于现有基线。
2025-08-13 cs.LG
Scalable Learning With a Structural Recurrent Neural Network for Short-Term Traffic Prediction
Sevendof AS（塞文多夫公司）；University of Sheffield（谢菲尔德大学）
本文提出了一种可扩展的深度学习方法，用于基于车辆道路网络中的历史交通数据的短期交通预测。捕获大数据的时空关系通常需要大量的计算负担或针对特定类型的道路网络的ad-hoc设计。为了解决这个问题，我们将道路网络图与递归神经网络（RNN）相结合，构建了结构化RNN（SRNN）。SRNN采用时空图来推断相邻路段之间的相互作用以及时间序列数据的时间动态。由于两个关键方面，该模型是可扩展的。首先，建议SRNN架构是通过使用所有段的时空动态交互的语义相似性。其次，我们设计的架构，以处理固定长度的张量，而不管图的拓扑结构。在桑坦德市测量的实际交通速度数据，我们证明了所提出的SRNN优于基于图像的方法，使用胶囊网络（CapsNet）的14.1%和卷积神经网络（CNN）的5.87%，分别在均方根误差（RMSE）。此外，我们表明，该模型是可扩展的。用路网数据训练的SRNN模型能够预测不同路网的交通速度，训练的参数是固定的。
2021-03-03 cs.LG
Mining Topological Dependencies of Recurrent Congestion in Road Networks
L3S Research Center（L3S研究中心）；Leibniz University Hannover（莱布尼茨汉诺威大学）；University of Bonn（波恩大学）
发现城市道路网络中导致经常性拥堵（RC）模式的时空依赖性对于许多现实世界的应用至关重要，包括城市规划和公共交通服务的调度。虽然大多数现有的研究调查RC现象的时间模式，道路网络拓扑结构对RC的影响往往被忽视。本文提出了ST-发现算法，一种新的无监督时空数据采掘算法，有利于有效的数据驱动的发现RC依赖的道路网络拓扑结构，使用现实世界的交通数据。我们的因素定期重现的交通现象，如高峰时间，主要是由白天引起的，通过建模和系统地利用时间交通负荷异常值。我们提出了一种算法，首先构造连通子图的道路网络的基础上的交通速度离群值。其次，该算法识别子图对，指示其交通负荷行为的时空相关性，以识别道路网络内的拓扑依赖性。最后，我们根据我们的算法确定的依赖分数对识别出的子图对进行排名。我们的实验结果表明，ST发现可以有效地揭示城市道路网络的拓扑依赖性。
2021-07-20 cs.CY cs.LG
Integrated Traffic Simulation-Prediction System using Neural Networks with Application to the Los Angeles International Airport Road Network
University of Southern California（南加州大学）
交通网络非常复杂，由于缺乏足够的测量数据和准确的交通状态预测，设计有效的交通管理系统是困难的。交通仿真模型可以通过使用有限的可用交通数据来捕获交通网络的复杂动态，并且如果将适当的输入馈送到仿真器中，则可以帮助中央交通当局进行决策。在本文中，我们设计了一个集成的模拟预测系统，估计的起点-目的地（OD）矩阵的道路网络，仅使用流量信息和预测的道路网络的行为在不同的模拟场景。该系统包括一个基于优化的OD矩阵生成方法，一个神经网络（NN）模型训练预测OD矩阵通过模式的交通流和微观交通模拟器与动态交通分配（DTA）计划来预测交通系统的行为。我们测试所提出的系统的道路网络的中央终端区（CTA）的洛杉矶国际机场（LAX），这表明，集成的交通模拟预测系统可以用来模拟几个现实世界的情况下，如车道关闭，路边停车和其他变化的影响。该模型是一个有效的工具，用于了解网络变化的影响和可能的好处，并以非常低的成本分析场景，而不会中断网络。
2020-08-05 cs.LG cs.SY eess.SP
Deep Learning applied to Road Traffic Speed forecasting
Mediamobile（Mediamobile 公司）；Institut de Mathématiques de Toulouse（图卢兹数学研究所）；INSA（法国国立应用科学学院）
在本文中，我们提出了深度学习架构（FNN，CNN和LSTM）来预测时间相关数据的回归模型。这些算法的目的是处理浮动车数据（FCD）的历史速度预测道路交通数据。为此，我们以创新的方式将速度聚合到网络输入中。我们比较了一个简单的物理模型的结果，从而获得的RMSE，并表明，后者达到更好的RMSE精度。我们还提出了一个新的指标，它评估算法的改进相比，基准预测。最后，我们质疑使用深度学习方法来完成这个特定的回归任务的兴趣。
2017-10-02 cs.LG cs.NE stat.AP
IG-RL: Inductive Graph Reinforcement Learning for Massive-Scale Traffic Signal Control
HEC Montréal（蒙特利尔高等商学院）
缩放自适应交通信号控制涉及处理组合状态和动作空间。多智能体强化学习试图通过将控制分配给专门的智能体来解决这一挑战。然而，专业化阻碍了泛化和可转移性，并且神经网络架构的计算图-在多智能体环境中占主导地位-不提供处理任意数量的实体的灵活性，这些实体在道路网络之间以及随着时间的推移而变化。我们引入了基于图卷积网络的归纳图强化学习（IG-RL），它适应于任何道路网络的结构，以学习交通控制器及其周围环境的详细表示。我们的分散式方法可以学习可转移的自适应交通信号控制策略。在任意一组道路网络上进行训练后，我们的模型可以推广到新的道路网络，交通分布和交通状况，无需额外的训练和恒定数量的参数，与现有方法相比具有更大的可扩展性。此外，我们的方法可以通过捕获车道和车辆级别的（动态）需求来利用可用数据的粒度。所提出的方法进行了测试的道路网络和交通设置从未经历过的训练。我们将IG-RL与多智能体强化学习和特定领域的基线进行了比较。在合成道路网络和涉及曼哈顿3，971个交通信号控制的更大实验中，我们表明IG-RL的不同实例优于基线。
2021-09-20 cs.LG stat.ML
On the road to more accurate mobile cellular traffic predictions
Aalto University School of Science（阿尔托大学理学院）
本文提出利用免费道路指标结合蜂窝网络流量，在轻量学习结构中实现高速公路小区短期负载的准确预测，并支持联邦与集中式学习。
2023-05-24 cs.LG cs.NI
Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis
Northeastern University（东北大学）
针对交通事故预测缺乏统一公开数据集的问题，本文构建含900万条记录的大规模数据集，并评估发现GraphSAGE结合多任务与迁移学习可高精度预测事故数量及发生情况。
2025-10-21 cs.LG cs.SI
Comparison Analysis of Tree Based and Ensembled Regression Algorithms for Traffic Accident Severity Prediction
Khwaja Fareed University of Engineering and Information Technology（哈瓦贾·法里德工程与信息技术大学）；Islamia University Bahawalpur（巴哈瓦尔布尔伊斯兰大学）
随着时间的推移，城市道路交通量的快速增长已经改变了全球的交通状况。它还增加了道路事故的比例，在最坏的情况下，这些事故可能是严重和致命的。为了提高城市道路交通安全水平和管理水平，需要对事故严重程度进行预测。各种机器学习模型正在用于事故预测。在这项研究中，基于树的集成模型（随机森林，AdaBoost，额外的树，和梯度提升）和集成的两个统计模型（逻辑回归随机梯度下降）作为投票分类器进行比较，用于预测交通事故的严重程度。通过随机森林识别与事故严重程度强相关的重要特征。分析证明，随机森林是最好的性能模型与最高的分类结果为0.974的准确率，0.954的精度，0.930召回率和0.942 F-分数使用20个最显着的特征相比，其他技术的道路交通事故严重程度的分类。
2020-10-27 cs.LG cs.OH
Interval Prediction of Annual Average Daily Traffic on Local Roads via Quantile Random Forest with High-Dimensional Spatial Data
针对现有AADT估算多为点预测、忽略不确定性的问题，提出结合分位数随机森林与主成分分析的区间预测方法，经英国2000多条次要道路数据验证，提升了估算准确性与可解释性，助力交通规划。
2025-10-21 cs.LG stat.AP stat.ML
Short-term Road Traffic Prediction based on Deep Cluster at Large-scale Networks
Beijing University of Posts & Telecommunications（北京邮电大学）；University of Western Ontario（西安大略大学）；University of Waterloo（滑铁卢大学）
短时道路交通量预测是智能交通系统（ITS）的重要模块之一。然而，网络级的STTP仍然是具有挑战性的，由于在建模不同的流量模式和跟踪高维时间序列与低延迟的困难。因此，本文提出了一种结合深度聚类（DeepCluster）模块的大规模网络STTP框架。提出了DeepCluster模块，以可视化的方式从大型未标记数据集中监督表示学习。更具体地，为了充分利用流量周期性，原始序列首先被分成多个子序列以用于三元组生成。利用具有三重丢失的卷积神经网络（CNN），通过将序列转换为视觉图像来提取形状特征。基于形状的表示，然后用于道路段聚类。此后，受组中的路段具有相似模式的事实的激励，进一步提出了模型共享策略，以通过基于组的模型（GM）而不是基于个体的模型（IM）来构建基于递归神经网络（RNN）的预测，在基于个体的模型（IM）中，一个模型专门针对一条道路构建。我们的框架不仅可以显着减少模型的数量和成本，但也增加了训练数据的数量和样本的多样性。最后，我们在北京六里桥的网络评估所提出的框架。实验结果表明，DeepCluster可以有效地聚类的道路段和GM可以达到相当的性能与IM的模型数量较少。
2019-02-25 cs.LG stat.ML
Traffic data reconstruction based on Markov random field modeling
INRIA Saclay（法国国家信息与自动化研究所萨克雷中心）；LRI（计算机研究实验室）；Université Paris Sud（巴黎第十一大学）
我们考虑交通数据重建问题。假设我们有整个城市的交通数据是不完整的，因为一些道路数据是未观察到的。问题是重建数据中未观察到的部分。在本文中，我们提出了一种新的方法来重建从各种交通传感器收集的不完整的交通数据。我们的方法是基于马尔可夫随机场建模的道路交通。重建是通过使用平均场方法和机器学习方法。我们数值验证我们的方法使用现实的模拟交通数据，日本仙台的真实道路网络的性能。
2013-06-27 cond-mat.dis-nn cs.LG stat.ML
Nonnegative Matrix Factorization to understand Spatio-Temporal Traffic Pattern Variations during COVID-19: A Case Study
Kyungpook National University（庆北大学）；Queensland University of Technology（昆士兰科技大学）
随着智能交通系统（ITS）的迅速发展和道路上车辆数量的不断增加，产生了大量的道路交通数据。从这些数据中了解时空交通模式至关重要，并已有效地帮助交通规划，道路建设等。然而，了解COVID-19大流行期间的交通模式非常具有挑战性和重要性，因为人和车辆的出行行为模式存在巨大差异。本文通过一个案例研究来了解COVID-19期间时空交通模式的变化。我们应用非负矩阵分解（NMF），以得出模式。NMF模型输出是根据2019年和2020年（分别为大流行之前和大流行期间）在英国观察到的时空模式行为进行分析的。所分析的时空交通模式变化行为的输出将在智能交通系统中的交通管理和在与道路交通相关的流行病或不可避免的场景的各个阶段的管理领域中是有用的。
2021-11-05 cs.CY cs.LG
Traffic Flow Forecast of Road Networks with Recurrent Neural Networks
FernUniversität in Hagen（哈根函授大学）
近年来，人们对发展智慧城市的兴趣急剧增加。在这种情况下，智能交通系统描绘了一个主要议题。交通流预测是高效智能交通系统不可或缺的一部分。由于交通流的随机性和非线性，交通流预测是一项困难的任务。除了经典的统计方法外，神经网络是预测未来交通流的一种很有前途的可能性。在我们的工作中，这种预测是用各种循环神经网络进行的。这些都是在测量感应线圈，这是放置在城市的十字路口的培训。我们使用了2018年1月初至7月底的数据。每个模型结合了所有传感器测量的交通流序列，并同时预测每个传感器的未来交通流。对各种模型结构、预测范围和输入数据进行了研究。在大多数情况下，具有门控递归单元的向量输出模型在所有考虑的预测场景中在测试集上实现了最小的误差。由于数据量小，训练模型的推广是有限的。
2020-06-08 cs.LG stat.ML
Road Surface Friction Prediction Using Long Short-Term Memory Neural Network Based on Historical Data
University of Washington（华盛顿大学）；Nanjing University of Science and Technology（南京理工大学）；Tongji University（同济大学）
路面摩擦力对交通安全和机动性有很大影响。精确的路面摩擦预测模型有助于减轻恶劣道路条件对交通安全、服务水平、交通流动性、燃油效率和持续经济生产力的影响。大多数相关的先前研究是基于实验室的方法，难以实际实施。此外，在其他数据驱动的方法中，没有考虑路面状况的时间序列特征。该研究采用长短期记忆（LSTM）神经网络开发基于历史数据的数据驱动的路面摩擦预测模型。所提出的预测模型优于其他基线模型的预测性能测量的最低值。分析了时滞个数和预测时间间隔对预测精度的影响。此外，还研究了增加路面积水厚度、路面温度和气温对预测精度的影响。研究结果可为道路维护策略的制定和决策提供支持，从而减轻恶劣路况对交通流动性和安全性的影响。未来的工作包括一个修改后的LSTM为基础的预测模型的发展，通过适应灵活的时间间隔之间的时间滞后。
2019-11-01 cs.LG eess.SP
Predicting Road Flooding Risk with Machine Learning Approaches Using Crowdsourced Reports and Fine-grained Traffic Data
Texas A&M University（德克萨斯A&M大学）；Texas A&M University at Galveston（德克萨斯A&M大学加尔维斯顿分校）；University of Delaware（特拉华大学）
本研究的目的是使用机器学习模型，根据地形，水文和时间降水特征预测道路洪水风险。道路网络洪水状态的预测性洪水监测在社区减灾、备灾和响应活动中起着至关重要的作用。现有的研究与道路淹没的估计要么缺乏观察到的道路淹没数据模型验证或主要集中在道路淹没暴露评估洪水地图的基础上。本研究通过使用众包和细粒度的交通数据作为道路淹没的指标，地形，水文和时间降水特征作为预测变量，解决了这一限制。然后测试和训练了两个基于树的机器学习模型（随机森林和AdaBoost），用于预测德克萨斯州哈里斯县2017年飓风哈维和2019年热带风暴伊梅尔达的道路洪水。飓风哈维的研究结果表明，降水是预测道路淹没敏感性的最重要特征，在两种风暴情况下，地形特征比水文特征更重要。随机森林和AdaBoost模型具有相对较高的AUC评分（Harvey分别为0.860和0.810，Imelda分别为0.790和0.720），随机森林模型在两种情况下表现更好。随机森林模型对哈维表现出稳定的性能，而对伊梅尔达表现出显著的变化。这项研究推进了智能洪水恢复力的新兴领域，在道路层面的预测洪水风险映射。例如，这些模型可以帮助受影响社区和应急管理机构制定更好的备灾和应对战略，提高对极端天气事件发生时道路被淹没可能性的情况了解。
2021-09-14 cs.LG physics.soc-ph
Learning Multimodal Embeddings for Traffic Accident Prediction and Causal Estimation
Northeastern University（东北大学）
本文通过结合道路网络数据与卫星图像，提出多模态学习方法，提升交通事故预测精度，并发现降水、高速道路和季节因素对事故率的影响。
2026-05-13 cs.CV cs.LG cs.SI
Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling
我们提出了一个新的框架，道路网络上的交通拥堵事件建模。通过将交通传感器的计数数据与报告交通事件的警察报告相结合，使用多模态数据，我们的目标是捕获两种类型的拥堵事件的触发效应。一个地点当前的交通拥堵可能会导致道路网络未来的拥堵，而交通事故可能会导致交通拥堵的蔓延。为了模拟事件对过去的非均匀时间依赖性，我们使用了一种基于神经网络嵌入点过程的新的基于注意力的机制。为了将道路网络引起的方向性空间依赖性，我们将空间统计背景下的“尾部”模型应用于交通网络设置。我们证明了我们的方法的优越性能相比，国家的最先进的方法合成和真实的数据。
2021-05-31 cs.LG stat.AP stat.ML
Adversarial Attack On Yolov5 For Traffic And Road Sign Detection
Østfold University College（东福尔德大学学院）
本文在交通与道路标志检测场景下评估多种对抗攻击对 YOLOv5 的影响，证明扰动增大会提高误分类率，并借助显著性图说明其安全风险。
2024-01-19 cs.CR cs.CV cs.LG
Joint Optimization of Traffic Signal Control and Vehicle Routing in Signalized Road Networks using Multi-Agent Deep Reinforcement Learning
Southeast University（东南大学）；University of California, Davis（加州大学戴维斯分校）
本文提出一种基于多智能体深度强化学习的交通信号控制与车辆路径规划联合优化方法，通过智能体间共享观察与奖励促进合作，实验证明其优于单独控制方法。
2023-10-16 cs.LG cs.MA cs.SY
A Graph-Based Control Interface for Traffic Signals on Heterogeneous Road Networks
研究异构道路网络交通信号控制接口，用共享图神经网络为交通流分配分数，经确定性关联矩阵转换为信号相位集，通过PPO实验评估，在合成网格和城市图上测试，为该控制接口的可行性提供了证据。
2026-07-27 cs.LG cs.SY eess.SY
